14、竞争自动机中数据处理能力的进化

竞争自动机中数据处理能力的进化

1. 引言

时至今日，我们仍未对学习过程形成清晰的认知，也未能让人工智能机器展现出在灵活性和性能上能与人类甚至动物相媲美的行为。在如何生成“智能”行为的研究上，主要在两个极端之间摇摆。

第一种方法在当今人工智能领域占主导。它认为解决特定问题，就是对代表初始条件的数据集重复应用预定义集合中的某些操作，操作顺序可以是任意的，也可以通过启发式方法确定。当数据集达到“目标”状态时，任务完成。这种方法可说是从一开始就赋予系统成功解决问题所需的能力。

第二种方法早期就很受欢迎，近期受到物理学家的青睐。它主张“学习机器”不应被赋予特定能力，而应具备通用架构和一组规则。这些规则用于修改机器的内部状态，使机器在面对一系列样本任务时性能逐步提升。规则分为“自由”规则（不针对特定问题构建）和“任务绑定”规则（针对当前任务调整）。在这两种情况下，系统最初都是“无知”的，所有待规则修改的参数要么设为零，要么设为随机值。

然而，对人类或动物智能的研究表明，生物现实处于这两个极端之间。我们既不是完美的白板，也不是完全预设程序的机器人。例如，语言能力的习得似乎依赖于出生时就具备的高级能力。自然语言的结构遵循一些深层次的普遍规律，我们从一开始就与之“契合”。一些普遍特征具有层次结构，这意味着最佳的“学习机器”可能具有超度量结构。

关于在学习过程中，能否通过适当平衡“先天”与“后天”因素更高效地生成“智能”行为，仍是一个悬而未决的问题。考虑到大脑在出生时编码的信息主要源于遗传，且这些信息是通过进化过程形成的，我们自然会从个体群体的角度思考。每个个体继承了（大部分）其“父母”的结构，并通过适应环境来学习。学习能力更强的机器留下更多后代，从统计上看